Perpustakaan Digital ITB

Bioethanol merupakan bahan bakar alternatif yang dikembangkan untuk memenuhi kebutuhan energi global yang utamanya bergantung dengan bahan bakar fosil. Prediksi yield ethanol dilakukan untuk fungsi optimasi kondisi pertumbuhan, pengurangan harga operasional, dan peningkatan efisiensi produksi. Prediksi yield fermentasi biasanya menggunakan metode seperti Response Surface Methodology (RSM) yang dipilih oleh karena efisiensi proses dan kebutuhan data minim, namun memiliki kekurangan akurasi dalam prediksi sistem non linear seperti proses biologis fermentasi. Metode Artificial Neural Network (ANN) merupakan perkembangan baru yang menghasilkan model prediksi yang berkemampuan untuk menghasilkan prediksi dalam sistem non linear dengan lebih akurat. Studi ini dilaksanakan untuk menguji bila model prediktif ANN dapat digunakan untuk prediksi yield ethanol dari fermentasi Saccharomyces cerevisiae dengan mengkonsiderasi faktor pertumbuhan suhu, pH, dan waktu fermentasi. Dataset training yang disusun mengambil data produksi ethanol dari studi literatur yang sesuai. Konfirmasi prediksi model dilakukan dengan menetapkan kondisi pertumbuhan dari 2 varian waktu secara triplikat, Saccharomyces cerevisiae dikultivasi dalam medium YPD 10 mL dengan waktu pertumbuhan 36 dan 48 jam, dalam inkubator shaker 37 oC pada 150 rpm. Sampel dianalisis melalui metode HPLC untuk mendapatkan nilai yield ethanol dan tingkat konsumsi glukosa. Berdasarkan hasil penelitian dan pembahasan, didapatkan bahwa pemanfaatan ethanol dari fermentasi Saccharomyces cerevisiae mencapai 90%, namun yield ethanol didapatkan jauh di bawah prediksi, dengan rata-rata 4.41% perbandingan yield realita dibandingkan dengan yield ethanol prediksi model. Berdasarkan analisis parameter akurasi model ANN, seperti nilai R2, RMSE, dan MAE, didapatkan bahwa model ANN mengalami fenomena yang disebut overfitting. Fenomena ini terjadi karena faktor seperti noise dalam dataset, data yang kurang representatif, dan ukuran dataset yang terbatas. Dataset training yang digunakan berjumlah 20 datapoint untuk 3 weight, yang tergolong kecil untuk keperluan ANN. Model ANN yang dibuat belum dapat merepresentasikan yield ethanol fermentasi Saccharomyces cerevisiae dengan akurat dengan dataset yang tersedia pada waktu penelitian. Dalam masa depan dengan semakin banyak data fermentasi yang dibuat secara public access, model prediktif yang sama dapat menghasilkan performa yang lebih baik dengan dataset yang lebih luas.